提问
不用先把问题想清楚。
一句话、一个词都行。先拿到一个看得懂的解释，剩下的交给好奇心。
神经网络如何学习
已保存分享
总结已生成
测验 · 4 道题
从一个问题开始
想懂什么，就问什么。
好奇心来的时候，往往还没想周全。先问出来，答案会告诉你下一步往哪走。
好奇
答案里，藏着下一个问题。
看懂一层，新的疑问就冒出来了。那不是没学会，那是好奇心在往下探。
使用方式
对话会分枝，不是一条直线。
一个疑问可以一路追到底，别的念头不会被挤掉，各自长成一根枝。
01
圈住那个词
不用重开一轮对话，也不用再交代背景。圈住，就等于问出口了。
02
分出新的追问
新答案直接长在旧答案下面。你的思路是怎么走的，摆在页面上。
03
一路刨到底
顺着一根枝往下再往下，直到那个词不再模糊；想换个方向，另起一枝就行。
学习画布
来龙去脉，一眼都在。
钻得再深也不会迷路。收起成摘要，脉络一屏扫完；展开原文，顺着一根枝追问到底。
- 摘要阅读：每个节点收成几句话，整棵树一屏看清
- 刨根问底：展开原始回复，选中任意词继续追问
- 一键切换两种读法，回到任意一支接着往下问
记忆是如何形成的？
- ·神经模式反复激活，记忆逐步巩固
- ·睡眠期间大脑重放，强化连接
另有 3 项，点击查看
突触发生了什么变化？
- ·突触前释放更多神经递质
为什么睡眠能巩固记忆？
- ·深睡期大脑重放白天的神经活动
长期记忆存在哪里？
- ·分散在大脑皮层的神经网络中
画布总结
学习如何改变一个网络
训练不断推动网络给出更贴近样本的预测，而这种变化分散在许多相连的权重上。
每个训练样本产生一次预测，先衡量它与正确结果的差距，再把差距变成修正信号。
核心观点
反向传播负责分配误差，梯度下降则决定每次更新的方向和幅度。
从误差到改进
没有任何一个权重单独保存了整条经验。学习来自许多细小更新的累积，最终改变信息在网络中的传递方式。
导出
整棵树，一键成总结。
散在各枝的重点，收成一篇 Markdown。
可复制、可下载，也可放在画布旁随时查阅。
测验
学没学会，考一考。
既可为单条分支出题，也可覆盖整棵树。每题附出处，错在哪一目了然。
题目出自你问过的内容，不是通用题库。
神经网络是如何学习的？
它对比预测和正确答案，再回头调整相关的连接。
测验这条分支
1. 训练时，反向传播最主要的作用是什么？
A. 把每一条训练样本直接存进模型。
B. 计算每个权重对误差产生了多少影响。
C. 决定模型应该忽略哪些样本。
正确答案依据
这条分支说明，反向传播会把预测误差向后传递，并计算每个权重对应的梯度。
不止这一次
关掉页面，思路还在。
每次对话都留着
下次直接回到那一支，无需重新拼凑。
导出清晰的 Markdown
总结可直接导入你的笔记或写作流程。
分享易读的快照
别人看得懂结构，答案和编辑权限不外露。
想走得更远？试试 Pro。
先用免费额度体验，需要更多时再升级。
- 更多追问分支
- 测验与总结
- 清晰的 AI 额度记录